UNIVERSIDAD INDUSTRIAL DE SANTANDER

ESCUELA DE INGENIERAS ELCTRICA, ELECTRNICA Y DE TELECOMUNICACIONES

Perfecta Combinacin entre Energa e Intelecto

GRUPO CEMOS

Anlisis del Diseo ptimo de un Reductor de

Velocidad
Andrs F. Castillo, Jhon F. vila
Escuela de Ingenieras Elctrica, Electrnica y de Telecomunicaciones, Universidad Industrial de Santander
Bucaramanga, Colombia
andres.castillo1@correo.uis.edu.co
jhon.avila@correo.uis.edu.co
Abstract: The necessity of finding optimal solutions in robotic
systems involved using optimization techniques for the design of
the speed reducers dimensions. This issue originally proposed
by J Golinski in 1970.It was developed in this paper by particle
swarm optimization and one its variants subject to constraints.
PSO is used currently in robot kinematics, control systems,
manufacturing process, and digital signal processing with the
goal of improving the efficiency of each process or solving
problems of cost; for this reason evolutionary algorithms are one
the best alternatives in optimization. The algorithm formulated
for handling constraints uses a penalty function adapted to
particle swarm optimization, strategy that has used in different
optimization methods with constraints, offering efficiency,
performance dealing with constrains and decreasing the
computational cost. The solution found contrasts pretty good
with results that have been calculated through others
optimization techniques, which has demonstrated that PSO and
its variant UPSO are a simple and robust mathematical
algorithm for solving this engineering problem.
Palabras Clave: Reductor de Velocidad, PSO con restricciones,
funcin de penalizacin.
NOMENCLATURA
Constante de aceleracin
Constante de aceleracin
Ce
Ancho de la cara del engranaje
Cp
Circunferencia Primitiva
D1
Dimetro del eje 1
D2
Dimetro del eje 2
Gi
Velocidad global del enjambre
k
Nmero de partculas
L1
Longitud del eje 1 entre cojinetes
L2
Longitud del eje 2 entre cojinetes
Li
Velocidad local del enjambre
Nmero de restricciones.
p
Precisin
Mejor posicin local del enjambre
Pg
Mejor posicin global del enjambre
Md
Mdulo de dientes
Nd
Nmero de dientes del pin
r1
Nmero Aleatorio entre 0 y 1
r2
Nmero Aleatorio entre 0 y 1
r3
Nmero Aleatorio entre 0 y 1
r4
Nmero Aleatorio entre 0 y 1
rn
Nmero aleatorio con distribucin normal o Gaussiana
u
Factor de unificacin para PSO unificado

Velocidad de cada partcula

Ponderacin de inercia
Factor de restriccin
Lmite superior para cada partcula.
Lmite inferior para cada partcula.
Posicin de cada partcula

I. INTRODUCCIN
En robtica se necesita realizar movimientos precisos con cierta
velocidad lineal y angular y/o el de generar un torque definido. Por
esta razn los reductores de velocidad son diseados
adecuadamente para este propsito, ya que adems deben cumplir
criterios en cuanto a peso y dimensiones.
La bsqueda del reductor de velocidad apropiado para cada robot,
implica hacer un diseo especfico para cada aplicacin, creando
as la necesidad de encontrar el reductor ptimo de bajo peso y
bajo rozamiento, capaz de girar a una velocidad eficiente con las
dimensiones mnimas que se necesiten. Dicho inters se ha
incrementado gradualmente en los ltimos aos, realizando
nuevas invenciones para reducir las prdidas, ya sea en el sistema
de control o en el sistema mecnico, surgiendo una tendencia a la
optimizacin inherente a la reduccin de costos en la planta o parte
de un plan para la sostenibilidad del medio ambiente. Es aqu
donde un algoritmo robusto de optimizacin entra a ser pieza
fundamental
en la ingeniera, teniendo en cuenta que
generalmente los modelos matemticos estn sujetos a
restricciones; es fundamental utilizar un mtodo capaz de manejar
estas restricciones, generando respuestas que estn dentro del
conjunto de soluciones posibles y que respeten las condiciones
estipuladas por el diseo.
Este artculo
presenta la solucin numrica del modelo
matemtico de un reductor de velocidad sujeto a restricciones as
como el mtodo utilizado para minimizarlo [1].

II. FUNDAMENTOS TERICOS

Generalmente en robtica se necesita de un mecanismo capaz de
transmitir el movimiento de un actuador a una articulacin,
comprometiendo una buena relacin entre movilidad y dimensin,
sujeto a un sistema eficiente. Un reductor de velocidad toma gran
importancia, debido a que sus caractersticas fsicas desarrollan
efectos sobre el conjunto motor-reductor y en todo el sistema.
Este sistema de transmisin debe ser preciso, adems poseer
ciertas caractersticas dimensionales apropiadas para su ubicacin
y ensamble dentro del espacio presupuestado por el diseador; la
relacin de engranajes no puede ser tan alta puesto que una parte

UNIVERSIDAD INDUSTRIAL DE SANTANDER

ESCUELA DE INGENIERAS ELCTRICA, ELECTRNICA Y DE TELECOMUNICACIONES

Perfecta Combinacin entre Energa e Intelecto

GRUPO CEMOS
de la potencia del motor se puede estar empleando para mover los
engranajes del reductor introduciendo prdidas en el torque.
La transmisin de velocidad en un reductor se realiza a travs de
sus engranajes, por ende las dimensiones de un reductor de
velocidad se relacionan directamente con la geometra del diente,
la tensin en los mismos, el material del pin, la superficie de
contacto, el ngulo de presin, la potencia transmitida y la
velocidad angular; igualmente su peso depende de la geometra
del engranaje y la geometra de cada uno de sus ejes.
Dependiendo la aplicacin se usan diferentes tipos de engranajes
los cuales se clasifican en:
Ejes Perpendiculares entre los cuales se encuentran cnicos de
dientes rectos, helicoidales cruzados y cnicos de dientes
helicoidales.
Ejes paralelos en los que se incluyen los engranajes cilndricos de
dientes rectos y cilndricos de dientes helicoidales.
Se propuso un engranaje cilndrico recto, ideal para trabajar a
velocidades pequeas y medias en brazos robticos, cuyos
criterios de diseo no son tratados a fondo, debido a que el
objetivo de este trabajo fue de abordar un problema de ingeniera a
travs de una alternativa sencilla y robusta sin utilizar
procedimientos matemticos requeridos por otros algoritmos de
optimizacin.

A. Reductor de Golinski
Inicialmente el modelo matemtico fue propuesto por J. Golinski.
El objetivo del diseo es minimizar su geometra para que el
reductor rote a su ms eficiente velocidad, y su peso definido en
funcin de las dimensiones junto con las restricciones que
establece el diseo. Ver figura 1.

Figura1. Reductor de velocidad.

Fuente: Los autores.

La funcin objetivo del reductor se define como [2]:

Figura 2. Circunferencia Primitiva.

Fuente: Los autores.

Cabe resaltar que

se define como la relacin entre la
circunferencia primitiva
y el nmero de dientes para cada
pin
como se observa en la figura 2. La definicin formal del
modelo matemtico de un reductor de velocidad se puede
consultar en libros de diseo de engranajes [4 ,5].

B. Particle swarm optimization (PSO)

Particle swarm optimization (PSO), fue desarrollado en 1995
por Russell Eberhart y J. Kennedy, influenciados por el
comportamiento colectivo de algunas colonias de animales.
En el algoritmo se busca encontrar una solucin ptima para
la funcin objetivo (fitness function). Se inicia seleccionando
una poblacin de partculas al azar (posibles soluciones
denotadas por un vector posicin
y un vector velocidad
para cada partcula), evaluando cada una de ellas en dicha
funcin. Por cada iteracin se tiene en cuenta la experiencia
de las partculas vecinas determinando que tan cerca estn del
ptimo, por lo cual, se modifica la posicin y velocidad para
la siguiente partcula por medio de la siguiente expresin [6]:

Trabajando en un espacio vectorial de N dimensiones se tiene:

El vector
representa la posicin de cada partcula expresado
como
el vector
representa la velocidad
de cada partcula expresada como
Cada
posicin de la partcula es candidata a la solucin por lo cual, en
cada iteracin se analizan dos valores muy importantes para cada
partcula respecto al ptimo de la funcin, como lo son la mejor
posicin de cada partcula (Pbest) representado por
y la mejor posicin de toda la poblacin (Pglobal)
expresado mediante
Finalmente se tiene
que ,
son constantes positivas llamadas coeficientes de
aceleracin,
es la ponderacin de inercia;
y , valores
aleatorios que estn en un rango de 0 a 1.

C. PSO Unificado
La funcin objetivo depende tambin del ngulo de presin
ejercido por los engranajes, generalmente es de 20, adems
depende del material del cual se fabrica el reductor , por tal
motivo, debe soportar las fricciones y tensiones permitidas entre
los diente del engranaje, por otra parte, debe trabajar bajo ciertas
condiciones ambientales. Para este caso se utiliza acero al carbono.

Las propiedades de bsqueda del mejor local

y el global
se
modificaron con el objetivo de mejorar el desempeo del
algoritmo. Las velocidades del global
y el local se redefinen
como sigue [7-10]:

UNIVERSIDAD INDUSTRIAL DE SANTANDER

ESCUELA DE INGENIERAS ELCTRICA, ELECTRNICA Y DE TELECOMUNICACIONES

Perfecta Combinacin entre Energa e Intelecto

GRUPO CEMOS

E.

Estas dos direcciones son unificadas en una sola ecuacin.

El factor de restriccin se introduce para limitar la velocidad de

las partculas evitando as la explosin del enjambre [7]. El factor
de unificacin determina el dominio de las componentes global
y local enriqueciendo las capacidades de bsqueda del algoritmo.
La ecuacin (3) que modela la posicin de las partculas se
remplaza entonces por:

Se usan diferentes alternativas para manejar las restricciones, pero

algunas requieren mucho tiempo de cmputo debido a su
estrategia para mantener las partculas en la regin factible; por lo
tanto, se trabaj con una funcin de penalizacin, la cual modifica
la funcin objetivo por medio de un factor que busca penalizar
aquellas partculas que no se encuentren dentro de la regin
factible.

D. Funcin de Penalizacin
Los problemas en ingeniera generalmente estn sujetos a
restricciones de la forma [11-15]:
i=1,, m
Para el manejo de estas restricciones se usa una funcin penalizada
propuesta en [16] y definida como:

, corresponde a la funcin objetivo y

es el factor de
penalizacin. Adems se introduce un valor de penalizacin que
vara en funcin del nmero de iteraciones k.

Manejo de los lmites

Todas las restricciones estn limitadas a un rango de operacin,

siendo necesario encontrar un mtodo para que la solucin se
mantenga dentro de la regin factible. Para ello la mejor solucin a
este problema fue planteada en [18] donde se aplica:

De esta manera las partculas se vern forzadas a no salirse de la

regin impuesta por los lmites. Para iniciar las partculas
igualmente se tiene en cuenta que se encuentren distribuidas
aleatoriamente dentro de la regin comprendida entre los lmites,
por lo que se inicializaron siguiendo las siguientes ecuaciones
[19]:

III. RESULTADOS Y ANLISIS

A continuacin se especifican las caractersticas del equipo en el
cual se realizaron todas las pruebas:
Sistema operativo: Windows 7
Procesador: AMD Athlon II Dual-Core M300 2Ghz
Memoria Ram: 2 Gb
Para comprobar la efectividad del algoritmo se resuelven dos
ejercicios propuestos en [12], con los cuales se puede observar la
influencia del factor de unificacin sobre las partculas solucin y
el tiempo de cmputo. Adems se busca ver el efecto que tiene la
precisin sobre las soluciones, y el costo computacional que esto
implica.
El error para cada variable se define en el algoritmo como el valor
absoluto de la diferencia entre la partcula siguiente y la partcula
anterior:

Para observar el comportamiento de la funcin objetivo y el

efecto que tiene la precisin sobre sta, se vara el valor numrico
de la precisin definida como parmetro de entrada y criterio de
parada del algoritmo una vez que
. A continuacin se
muestra los dos ejercicios propuestos y su posterior anlisis.

Los parmetros de penalizacin se definen como:

A. Ejercicio 1
(11)

(12)

Minimizar:

Sujeto a:

hace referencia al poder de la funcin de penalizacin,

es decir, aplica una sancin en funcin de la violacin de las
restricciones. Los valores de los parmetros de penalizacin se
proponen en [17] como resultado de clculos experimentales.

UNIVERSIDAD INDUSTRIAL DE SANTANDER

ESCUELA DE INGENIERAS ELCTRICA, ELECTRNICA Y DE TELECOMUNICACIONES

Perfecta Combinacin entre Energa e Intelecto

GRUPO CEMOS
En la tabla 1 se muestra el efecto de la precisin sobre el valor de
la funcin objetivo 1 y el tiempo de cmputo para una poblacin
inicial de 100 partculas y con un factor de unificacin de
.
Nmero de
iteraciones

Precisin
1,1393
1,0001
1,0002
1,0000
1,0000
1,0000

0,5518
0,0016
0,0006
0,0000
0,0000
0,0000

3,8155
2,6688
2,6681
2,6667
2,6667
2,6667

2
20
23
113
119
245

0,7596

4,5363

0,2728

11

Tiempo
de
Computo
(s)
6

0,7501
0,7495
0,7500
0,7500
0,7500

4,5591
4,5594
4,5625
4,5625
4,5625

0,2568
0,2569
0,2539
0,2539
0,2539

23
22
120
80
103

4
5
4
4
5

Nmero de
iteraciones

Precisin

Tiempo de
Computo
(s)
4
4
4
5
5
5

Tabla 3. Efecto de la precisin ejercicio 2,

Tabla 1. Efecto de la precisin ejercicio 1,

La tabla 2 muestra el efecto del factor de unificacin sobre el valor

de la funcin objetivo 1 y el tiempo de cmputo para una
poblacin inicial de 100 partculas.

Nmero de
iteraciones
0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1

1,0006
1,0006
1,0000
1,0002
1,0009
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000

0,0000
0,0000
0,0001
0,0005
0,0024
0,0000
0,0000
0,0001
0,0000
0,0000
0,0000

2,6675
2,6674
2,6669
2,6681
2,6726
2,6667
2,6667
2,6668
2,6667
2,6667
2,6667

25884
8659
2873
43
24
62
49
40
44
71
47

Tabla 2. Factor de unificacin ejercicio 1,

Fuente: Los autores.

100 partculas.

Fuente: Los autores.

Tiempo
de
Computo
(s)
93
31
13
6
4
3
4
3
5
3
4

, 100 partculas.

Fuente: Los autores.

B. Ejercicio 2
Minimizar:

Sujeto a:

La tabla 3 muestra el efecto de la precisin sobre el valor de la

funcin objetivo 2 con 100 partculas como poblacin inicial y
factor de unificacin de
.

, 100 partculas.

En la tabla 4 se muestra el efecto del factor de unificacin sobre el

valor de la funcin objetivo 2 y el tiempo de cmputo para una
poblacin inicial de 100 partculas con una precisin de
.
Nmero de
iteraciones
0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1

0,7506
0,7500
0,7501
0,7500
0,7500
0,7500
0,7495
0,7496
0,7499
0,7500
0,7500

4,5608
4,5622
4,5620
4,5625
4,5619
4,5625
4,5617
4,5587
4,5622
4,5624
4,5625

0,2551
0,2541
0,2543
0,2539
0,2545
0,2539
0,2549
0,2574
0,2543
0,2540
0,2539

Tabla 4. Factor de unificacin ejercicio 2,

10396
14110
1882
634
60
82
31
18
31
50
142

Tiempo de
Computo
(s)
48
54
14
6
4
4
5
3
3
3
5

, 100 partculas.

Fuente: Los autores.

Como se aprecia en los resultados obtenidos en la tablas 1 y 3,

para valores desde
la solucin tiende a un valor
constante y se presenta muy poca variacin con respecto al valor
medio de la funcin objetivo para cada precisin, por sta razn,
ste valor se selecciona como respuesta analtica.
Un efecto no deseado se advierte al tomar valores del factor de
unificacin entre
y
en vista de que aumenta el
nmero de iteraciones y el tiempo de cmputo empleado para
encontrar el ptimo en comparacin a valores cercanos a
La mejor opcin para el factor de unificacin est entre
y
como consecuencia de sus buenos resultados. Sin
embargo
ofrece un balance de bsqueda equitativo
reflejado en sus resultados numricos y el tiempo de cmputo
empleado. El efecto de la precisin no es muy notable en las tablas
anteriores para cada funcin objetivo, debido a la sencillez de las
funciones y la rpida convergencia del algoritmo, pero los
resultados confirman la respuesta obtenida por las referencias.

UNIVERSIDAD INDUSTRIAL DE SANTANDER

ESCUELA DE INGENIERAS ELCTRICA, ELECTRNICA Y DE TELECOMUNICACIONES

Perfecta Combinacin entre Energa e Intelecto

GRUPO CEMOS

Tensin de doblamiento permitida de

dientes del engranaje

Tensin permisiva superficial

compresiva

Deflexin transversal eje 2

Deflexin transversal eje 1

Momento de tensin y torsin eje 1

Condicin de dimensin

Momento de tensin y torsin eje 1

Ancho relativo del ancho del

engranaje

Ancho relativo del ancho del

engranaje

Restriccin de diseo

Restriccin de diseo
Tabla 5. Restricciones de la funcin objetivo.
Fuente: Los autores

Una vez verificado la efectividad del algoritmo propuesto se

resuelve el problema del reductor. Para la seleccin de los valores
numricos de los parmetros se utilizan los valores propuestos en
[10] a razn de resultados obtenidos en pruebas experimentales:
;
;
.

C. Reductor de Golinski
La seleccin de precisin tiene su sentido fsico al fabricar el
reductor, en vista de no haber una cortadora de metal con la
exactitud necesaria para diferenciar las cifras decimales y poder
fabricar el reductor. Las tablas y las grficas son realizadas con
una precisin de
.Funcin Objetivo:

lmites de longitud y el nmero de dientes de pin. Estos valores

numricos son ajustados con los parmetros propuestos en [3].
El algoritmo debe ser capaz de encontrar una solucin que
satisfaga las restricciones. Siete variables se manejan en el diseo
del reductor, cada una con lmites inferiores y superiores que
representan las condiciones fsicas impuestas por el modelo
general del peso de un reductor de velocidad:

D. Efecto de la precisin
En la tabla 6 se observa el efecto que produce aumentar la
precisin la precisin sobre la funcin objetivo con un factor de
unificacin u=0,5 y una poblacin de 100 partculas

2 22 (17)
Cada restriccin tiene un sentido fsico relacionado con la tensin
de flexin de los engranajes, la tensin de compresin mxima,
En la tabla 5 se muestran las restricciones que limitan la funcin
objetivo.

En la siguiente grfica se observa el efecto de aumentar la

precisin sobre la funcin objetivo y las siete variables de
Diseo con una poblacin inicial de 100 partculas y un factor de
unificacin
.

Precisin

3,5413
3,5020
3,5009
3,5001

0,7016
0,7004
0,7000
0,7000

17,0195
17,0051
17,0010
17,0001

7,8147
7,6557
7,3579
7,3051

7,8126
8,1416
8,2057
7,8017

3,4736
3,3553
3,3546
3,3503

5,3007
5,2893
5,2874
5,2868

Tabla 6. Efecto de la precisin,

3070,1
3013,3
3008,0
2996,6

Nmero de
iteraciones

Tiempo de
Computo
(s)

Desviacin
estndar

13
57
4556
7827656

9
9
19
22307

26,8886
16,0663
0,6877
0,0878

,100 partculas.

Fuente: los autores

UNIVERSIDAD INDUSTRIAL DE SANTANDER

ESCUELA DE INGENIERAS ELCTRICA, ELECTRNICA Y DE TELECOMUNICACIONES

Perfecta Combinacin entre Energa e Intelecto

GRUPO CEMOS

3. Efecto de la precisin,

Fuente: Los autores

En la figura 3, se observa el comportamiento de cada variable de

diseo en grficas independientes, en las cuales se presentan dos
soluciones en funcin de cada precisin,
estos resultados
numricos se encuentran dentro del rango de soluciones posibles y
oscilan dependiendo de la precisin seleccionada. En este caso
como consecuencia de trabajar con una baja precisin se presenta
gran dispersin de las partculas en cada grfica respecto al valor
medio de cada variable.
Adems los resultados obtenidos muestran que los valores
adquiridos por la funcin objetivo y las siete variables mejoran
cada vez en comparacin con la precisin anterior. Como
consecuencia de ello, aumentar la precisin requiere un mayor
costo computacional tal como se observa en los resultados
numricos. La siguiente grfica corresponde a un aumento de la
precisin hasta
y as poder observar el efecto de
sta sobre el valor numrico de la funcin objetivo.

UNIVERSIDAD INDUSTRIAL DE SANTANDER

ESCUELA DE INGENIERAS ELCTRICA, ELECTRNICA Y DE TELECOMUNICACIONES

Perfecta Combinacin entre Energa e Intelecto

GRUPO CEMOS
De la figura 4 se observa un cambio positivo en los valores
numricos que adquiere la funcin objetivo y cada una de las
variables de diseo.
El aumento de precisin se refleja en la oscilacin y baja
dispersin de las partculas solucin. Por tal motivo los valores
con
muestran un comportamiento ms aleatorio en
comparacin con las soluciones encontradas para
a
razn del valor que toma el
como criterio de convergencia,
influyendo sobre el nmero de iteraciones y el tiempo de cmputo
como se muestra en los resultados.
La figura 5, muestra la distribucin de las partculas para cada
precisin con
y una poblacin inicial de 100 partculas.

Figura 5. Distribucin de las partculas en funcin de la precisin,

,100 partculas.
Fuente: Los autores.

Figura 4. Efecto de la precisin,

Fuente: Los autores.

De la figura 5, se observa cmo se afecta la distribucin de las

partculas una vez se cambia la precisin. Adems, estas grficas
contrastan con los valores de la desviacin estndar para una
precisin correspondiente. Por esta razn a medida que se aumenta
la precisin se presenta una menor dispersin de partculas

UNIVERSIDAD INDUSTRIAL DE SANTANDER

ESCUELA DE INGENIERAS ELCTRICA, ELECTRNICA Y DE TELECOMUNICACIONES

Perfecta Combinacin entre Energa e Intelecto

GRUPO CEMOS

0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1

3,5066
3,5041
3,5044
3,5014
3,5011
3,5064
3,5066
3,5069
3,5086
3,5112
3,5034

0,7000
0,7001
0,7001
0,7001
0,7002
0,7000
0,7001
0,7005
0,7005
0,7001
0,7000

17,0007
17,0317
17,0215
17,0016
17,0002
17,0010
17,0044
17,0052
17,0003
17,0196
17,0080

7,4375
7,3915
7,3043
7,7707
7,7800
7,6513
7,8911
7,5498
7,6255
8,1059
8,2401

7,8309
7,9780
7,8707
7,8079
8,0320
8,0984
8,1111
7,8423
8,0229
7,8822
7,9251

3,3517
3,3547
3,3541
3,3577
3,3574
3,3569
3,3594
3,3619
3,3551
3,3536
3,3612

Tabla 7. Efecto factor de unificacin,

5,2911
5,2915
5,2896
5,2881
5,2874
5,2874
5,2904
5,2972
5,2897
5,2871
5,2892

Nmero de
iteraciones

Tiempo de
computo

1219613
30815
13416
9481
975
160
224
45
178
136
180

3502
98
53
36
9
6
7
6
10
6
6

3004,2
3012,8
3006,5
3005,0
3009,2
3011,0
3016,9
3015,1
3013,1
3014,5
3014,7

,100 partculas.

Fuente: Los autores.

respecto al valor medio de la funcin objetivo, lo cual es un efecto

positivo a favor de la precisin.
La diversidad del enjambre [16] tambin se afecta por cambios de
precisin, en vista de que a menor precisin se muestra una mayor
diversidad con gran dispersin entre partculas y con una mayor
precisin se registra una menor diversidad con poca dispersin
respecto al valor medio de la funcin objetivo.
Los valores solucin para
se toman como respuesta,
debido al sentido fsico que representa la precisin.

E. Efecto del factor de unificacin

Al variar el factor de unificacin, se registra un cambio en el
tiempo de cmputo y nmero de iteraciones como se ve en la tabla
7.
El rango para el factor de unificacin ideal est entre
y
, tal como se aprecia en los resultados obtenidos, aunque el
mejor valor para este factor es
, (ofrece incluso un mejor
resultado y un menor tiempo de cmputo). Otros valores como
se acercan tambin a la respuesta, sin embargo,
requieren un mayor gasto de recursos.
F.

PSO vs UPSO

En la tabla 8 se muestra la diferencia entre PSO convencional

y UPSO
. Los dos algoritmos trabajan con una
precisin fija
en vista de que al trabajar con una
precisin mayor para PSO aumenta significativamente el tiempo
de cmputo.
El efecto del factor de unificacin sobre PSO se ve claramente en
los datos obtenidos. PSO convencional requiere mayor nmero de
iteraciones para acercarse a la solucin de UPSO, reflejado en un
mayor costo computacional y un incremento en el nmero de
iteraciones.
En la figura 6, se muestra el comportamiento de las funciones
objetivo para cada algoritmo; los valores son cercanos pero cabe
resaltar que UPSO emplea menos tiempo en llegar al mismo valor
de comparacin con PSO convencional.

Figura 6. PSO vs UPSO

Fuente: Los autores.

UNIVERSIDAD INDUSTRIAL DE SANTANDER

ESCUELA DE INGENIERAS ELCTRICA, ELECTRNICA Y DE TELECOMUNICACIONES

Perfecta Combinacin entre Energa e Intelecto

GRUPO CEMOS

PSO

20

3,5012

0,7000

17,0036

7,8322

8,1234

3,3514

5,2879

3010,3

337245

Tiempo
de
Computo
(s)
215

UPSO
PSO
UPSO
PSO
UPSO
PSO
UPSO
PSO
UPSO

20
40
40
60
60
80
80
100
100

3,5020
3,5003
3,5051
3,5054
3,5020
3,5016
3,5013
3,5004
3,5274

0,7003
0,7000
0,7001
0,7002
0,7002
0,7000
0,7002
0,7000
0,7013

17,0002
17,0050
17,0010
17,0119
17,0014
17,0047
17,0027
17,0006
17,0198

8,0005
7,4991
7,5407
7,5184
8,0678
7,7038
7,6802
7,3643
8,2634

7,8060
7,8403
8,1445
8,1752
7,9155
7,8208
8,2760
8,0103
7,8925

3,3534
3,3538
3,3777
3,3556
3,3596
3,3571
3,3579
3,3504
3,3923

5,2958
5,2871
5,2888
5.2872
5,2887
5,2876
5,2890
5,2871
5,2900

3011,3
3001,2
3017,1
3013,3
3011,2
3004,1
3015,3
3002,1
3040,1

427
829965
281
5986
204
13650
203
2305416
22

22
1091
8
19
9
42
7
6586
7

Nmero de
iteraciones

Desviacin
Estndar
2,2074
4,8471
1,3799
7,3598
4,9817
8,0408
5,6433
7,5741
1,4194
34,6234

Tabla 8. PSO vs UPSO,

Fuente: Los autores.

10

3,5068

0,7000

17,0076

8,1444

8,2666

3,3535

5,2958

3024,9

2857

Tiempo
de
Computo
(s)
9

20
30
40
50
60
70
80
90
100

3,5023
3,5020
3,5019
3,5003
3,5046
3,5001
3,5007
3,5013
3,5007

0,7000
0,7001
0,7000
0,7000
0,7000
0,7000
0,7000
0,7001
0,7001

17,0050
17,0002
17,0023
17,0009
17,0008
17,0026
17,0000
17,0016
17,0002

7,3399
7,3031
8,0888
7,8093
7,7700
7,8889
7,9381
7,8641
7,7007

8,2504
8,1842
7,9764
8,0788
8,0956
7,9617
8,1335
7,9539
7,9483

3,3539
3,3505
3,3574
3,3529
3,3528
3,3533
3,3542
3,3526
3,3512

5,2904
5,2872
5,2877
5,2874
5,2871
5,2872
5,2870
5,2878
5,2889

3011,9
3006,4
3010,8
3008,6
3009,9
3006,8
3010,9
3007,1
3005,3

3376
77480
6146
6241
4744
17760
7061
9811
5039

8
90
15
18
13
48
22
70
23

Nmero de
iteraciones

Tabla 9. Efecto del nmero de partculas,

Desviacin
Estndar
1,2332
1,8250
0,5793
1,0228
1,1979
1,1635
0,5717
1,1116
1,0798
0,9783

Fuente: Los autores.

G. Aumento de las partculas

La tabla 9, registra el efecto de aumentar el nmero de partculas
para un valor de precisin constante y factor de unificacin
.
Aumentar el nmero de partculas tiene un efecto positivo sobre el
valor numrico que adquiere la funcin objetivo, marcando as
Una tendencia hacia el ptimo para un valor de precisin
constante. Sin embargo, como se observa en la figura 7, la mejora
no es lineal debido a que este tipo de algoritmo presenta procesos
estocsticos.

Figura 7. Funcin objetivo vs Tamao del enjambre,

Fuente: Los autores

UNIVERSIDAD INDUSTRIAL DE SANTANDER

ESCUELA DE INGENIERAS ELCTRICA, ELECTRNICA Y DE TELECOMUNICACIONES

Perfecta Combinacin entre Energa e Intelecto

GRUPO CEMOS

Nmero de
iteraciones

Distancia
euclidiana

100

3,5005

0,7000

17,0001

7,3039

7,8036

3,3513

5,2868

2997,0

100

3,5007

0,7001

17,0002

7,7788

7,9926

3,3516

5,2874

3006,2

3799

18

142,7093

100

3,5005

0,7000

17,0002

7,3130

7,8027

3,3511

5,2869

2997,2

204437

815

57,6594

100

3,5013

0,7001

17,0001

7,3552

7,9179

3,3512

5,2874

3001,1

6205

37

150,9740

100

3,5009

0,7000

17,0005

7,3311

7,8240

3,3507

5,2870

2998,0

22121

91

79,7089

100

3,5009

0,7000

17,0002

7,3152

7,8059

3,3521

5,2868

2997,6

55100

226

216,1995

100
100
100
100

3,5016
3,5012
3,5024
3,5007

0,7000
0,7000
0,7000
0,7000

17,0007
17,0008
17,0004
17,0002

7,4372
7,8374
7,3172
7,3202

7,9124
7,8247
7,8033
7,8192

3,3527
3,3519
3,3510
3,3506

5,2874
5,2871
5,2875
5,2872

3001,9
3003,1
2998,3
2997,8

27276
21486
99108
36172

157
115
493
166

127,1859
158,7715
214,8794
98,1279

Tabla 10. Aleatoriedad de UPSO,

190054

Tiempo
de
Computo
(s)
619

55,8957

Fuente: Los autores.

H. Aleatoriedad UPSO

I.

La tabla 10, muestra la aleatoriedad de UPSO, para un valor

constante de partculas, factor de unificacin y precisin.
Se observa que los valores solucin estn relativamente cerca
unos de otros para un mismo tamao del enjambre. As mismo
los valores de la distancia euclidiana, (definida como la menor
distancia entre dos puntos del espacio respecto a la media de la
funcin objetivo), oscilan considerablemente entre pruebas
debido a la precisin seleccionada. Dichas variaciones se deben
a los valores que toman las
posiciones y velocidades
inicialmente. Por esta razn, el tiempo de cmputo e iteraciones
dependen de la posicin de las partculas con respecto al ptimo
estn ubicadas las partculas para iniciar su proceso de
bsqueda.
La distancia euclidiana se toma como criterio de convergencia
para identificar la proximidad de las partculas en relacin con
la media, incluso se usa en otros algoritmos de optimizacin
como criterio de parada.

Factor de restriccin

La tabla 11 muestra el efecto que produce variar el factor de

restriccin.

0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9

114984,0438
4353,3735
3840,8745
3047,3329
3010,6260
3011,0318
3017,1088
3013,5206
3009,3868

Nmero de
iteraciones
24
24
31
37
120
160
481
2938
4452

Tabla 11. Variacin del factor de restriccin,

Tiempo de
computo (s)
5
7
6
10
12
6
8
16
20
, 100 partculas,

Fuente: Los autores.

En la siguiente grafica se observa el comportamiento de las

partculas sujeto al cambio del factor de restriccin
.

Figura 8. Nmero de iteraciones vs funcin objetivo,

, 100 partculas.
Fuente: Los autores.

10

UNIVERSIDAD INDUSTRIAL DE SANTANDER

ESCUELA DE INGENIERAS ELCTRICA, ELECTRNICA Y DE TELECOMUNICACIONES

Perfecta Combinacin entre Energa e Intelecto

GRUPO CEMOS

Mtodo
UPSO

3,5001

0,7000

17,0001

7,3051

7,8017

3,3503

5,2868

2996,6093

Software comercial

3,5000

0,7000

17,0000

7,3000

7,8000

3,3502

5,2867

2996,3485

SiC PSO

3,5000

0,7000

17,0000

7,3000

7,8000

3,3502

5,2866

2996,3481

Tabla 12. UPSO vs software comercial vs SiC PSO.

Fuente: Los autores.

Figura 9. Efecto factor de restriccin,

Fuente: Los autores

El cambio del factor de restriccin influye en la dispersin de

datos respecto al valor ptimo; entre menor es el factor de
restriccin ms dispersas estn las partculas. No obstante, para
valores entre
y
se presenta un mejor
comportamiento aleatorio entregando mejores resultados. El
diseo tambin se resolvi mediante un software comercial para
tener un punto de comparacin con otra tcnica de optimizacin y
sus resultados se muestran en la tabla 9. Igualmente se registran en
esta tabla los resultados obtenidos por el mtodo de optimizacin
simple con enjambre de partculas con restricciones (SiC PSO) [2].
Estos valores confirman la certeza de los resultados obtenidos en
este trabajo con una precisin de
utilizando UPSO
como alternativa de optimizacin. Las dimensiones ptimas del
reductor de Golinski encontradas en este trabajo son:

3,5001
0,7000
17,0001
7,3051
7,8017
3,3503
5,2868
2996,6093
Tabla 13. Dimensiones ptimas.
Fuente: Los autores.

11

UNIVERSIDAD INDUSTRIAL DE SANTANDER

ESCUELA DE INGENIERAS ELCTRICA, ELECTRNICA Y DE TELECOMUNICACIONES

Perfecta Combinacin entre Energa e Intelecto

GRUPO CEMOS

V. BIBLIOGRAFA

Figura 10.Reductor de Golinski con las dimensiones ptimas

Fuente: Los autores.

IV. OBSERVACIONES Y CONCLUSIONES

Una vez analizados los resultados de diferentes ejercicios

propuestos, a los cuales se les aplic UPSO, se puede ver que
conduce a una solucin ptima exacta, resolviendo as el
problema planteado. Aumentar la precisin por encima de
conllevara a una respuesta ms exacta, sin
embargo, en el caso del reductor de Golinski no es ganancia
debido al sentido fsico que representa la precisin.
Basados en los resultados de las iteraciones; el valor ideal
para el factor de unificacin es
a razn de sus
propiedades equitativas de bsqueda as como se demuestra
en las tablas obtenidas, ofreciendo un buen rendimiento en
comparacin con los otros factores de unificacin
seleccionados.
Establecer el factor de unificacin entre
produce un efecto negativo sobre el algoritmo, por tal motivo
se seleccionan valores entre
los cuales
ofrecen mejores propiedades de bsqueda.
Aumentar el nmero de partculas iniciales influye en los
resultados obtenidos de manera positiva, sin embargo, es ms
efectivo aumentar la precisin en vista de que el algoritmo
debe establecer que tan cerca esta una partcula de la otra, lo
que implica un aumento en el tiempo de ejecucin e
iteraciones para encontrar el mejor resultado.
La solucin numrica del modelo del reductor de Golinski y
los ejercicios propuestos se lograron sin necesidad de utilizar
herramientas matemticas tales como Jacobianos, Hessianos
u otros para calcular el ptimo de cada funcin objetivo, slo
se requiere una distribucin de partculas al azar dentro del
rango de soluciones posibles y por medio de su modelo
evolutivo encuentra la mejor solucin.
El ptimo del reductor de Golinski calculado por UPSO con
contrasta con el resultado obtenido por otros
mtodos de optimizacin, demostrando la efectividad de este
tipo de algoritmo.
Finalmente, luego de realizar todas las pruebas necesarias
variando los diferentes factores que afectan el desempeo del
algoritmo elaborado para llegar una solucin ptima, se
determina que los valores efectivos son:
;
;
.

[1] Jan Golinski, Optimal Synthesis Problems Solved by Means of

Nonlinear Programming and Random Methods, Journal of Mechanisms
Vol 5, pp. 287-309,1970.
[2] Leticia C. Cagnina, Susana C. Esquivel and Carlos A. Coello Coello,
Solving Engineering Optimization Problems with the Simple Constrained
Particle Swarm Optimizer, Informtica, Vol. 32, 2008, pp. 323324.
[3] G.Agrawal,S. Parashar,K. W. English, and C. L. Bloebaum. Webbased Visualization Framework for Decision making in Multidisciplinary
Design Optimization, Department of Mechanical and Aerospace
Engineering University at Buffalo, The State University of New York
Buffalo, 2004, pp. 21.
[4] Budynas, Nisbett, Mechanical Engineering, Shigleys Mechanical
Engineering Design, Eighth Edition, McGraw-Hill,2006, pp.348-383.
[5] Karl-Heinrich Grote, Erik K. Antonsson, Springer Handbook of
Mechanical Engineering", Springer, 2008, pp. 334-398.
[6] Toro Ocampo Eliana M, Restrepo G. Yov Steven , Granada E.
Mauricio, Adaptacin de la tcnica de Particle Swarm al Problema de
secuenciamiento de tareas Scientia Et Technica, Vol. XII, Nm. 32, 2006,
pp. 307-312.
[7] Parsopoulos, K.E., Vrahatis, M.N., Unified Particle Swarm
Optimization in Dynamic Environments, Lecture Notes in Computer
Science (LNCS), Vol. 3449, Springer, 2005, pp. 590-599.
[8] Parsopoulos, K.E., Vrahatis, M.N., Unified Particle Swarm
Optimization for Solving Constrained Engineering Optimization Problems,
Lecture Notes in Computer Science (LNCS), Vol. 3612, Springer, 2005,
pp. 582-591.
[9] Parsopoulos, K.E., Vrahatis, M.N., Parameter Selection and Adaptation
in Unified Particle Swarm Optimization, Mathematical and Computer
Modelling, 46 (1-2), Elsevier, 2007, pp. 198-213.
[10] Parsopoulos, K.E., Vrahatis, M.N., UPSO: A Unified Particle Swarm
Optimization Scheme, Lecture Series on Computer and Computational
Sciences, Vol. 1, Proceedings of the International Conference of
"Computational Methods in Sciences and Engineering" (ICCMSE 2004),
VSP International Science Publishers, Zeist, The Netherlands, 2004, pp.
868-873.
[11] A Kurpati, S Azarm and J Wu, Constraint handling improvements for
multiobjective genetic algorithms, Struct. Multidisc Optim. 23, SpringerVerlag, 2002, pp. 204213.
[12] S. Rao, Classical optimization techniques, en Engineering
Optimization: Theory and Practice, J. Wiley, Ed. 4a ed. New Jersey: J.
Wiley & Sons, 2009, pp. 446-483.
[13] I-Ling Ling, Particle Swarm Optimization for solving constraint
satisfaction problems,B. Sc Simon Fraser University 2005, pp. 36-51.
[14] Leticia C. Cagnina and Susana C. Esquive, Solving Engineering
Optimization Problems with the Simple Constrained, Universidad Nacional
de San Luis, San Luis, Argentina, Informtica 32, 2008, pp. 319326.
[15] A. De Freitas y E. Pinto, Optimization of nonlinear constrained
particle swarm, Ilumina., vol. 12, no. 1, 2006, pp 30-36.
[16] Konstantinos E, Parsopoulos & Michael N. Vrahatis,Particle swarm
optimization and intelligence; advances and applications, Information
science reference, Hershey, New York, IGI global, 2010, pp.142-258.
[17] Jinn-Moon Yang, Ying-Ping Chen, Jorng-Tzong Horng, and ChengYan Kao, Applying Family Competition to Evolution Strategies for
Constrained Optimization, Department of Computer Science and
Information Engineering, National Taiwan University, Taipei, Taiwan,
2002, pp 207-208.
[18] Gao F, Yibo Qi, Qiang Yin, Jiaqing Xiao, A- Novel Particle Swarm
Optimization With Special Boundaries Restriction Strategy, Department of
Mathematics, School of Science Wuhan University of Technology, Wuhan,
430070, China, 2010, pp. 1-4.
[19] Ruben E. Perez and Kamran Behdinan, Particle Swarm Optimization
in Structural Design, University of Toronto, Institute for Aerospace
Studies, Ryerson University, Department of Aerospace Engineering
Canada, 2007, pp. 376-377.

12